本地最优问题求解的协同学习
我们提出了协同学习作为一个学习系统和人类用户之间交互的模型,其共同目标是为用户提供最大的效用结果。我们证明这种反馈可以从可观察的用户行为中推断出来,并且我们展示了在电影推荐任务和 Web 搜索排名任务中协同学习算法的应用。
May, 2012
我们针对多分类成本敏感分类问题设计了主动学习算法:通过回归每个标签的成本并预测最小值来进行预测,它只查询可能最好的标签,忽略不可能的失败者,我们证明了 COAL 可以高效地实现任何支持平方损失优化的回归函数家族;它还享有与预测性能和标签工作量相关的强大保证。我们在真实数据集上将 COAL 与被 动学习和几种主动学习基线进行了经验比较,证明在标签工作量和测试成本方面有显着的改进。
Mar, 2017
通过合作主动学习,利用多个协作者的机器学习能力,不泄露现有数据和模型,而是共享新领域的预测结果和新获取的标签,以解决隐私和安全问题、提高成本效益和资源利用效率,促进模型性能,并为进一步研究合作主动学习及其在各个领域的实际应用提供了基础。
Mar, 2024
研究了在线闭环模式下协同适应性学习问题,证明在满足特定条件的情况下,协同适应性学习可以在高概率下优于使用固定解码器的学习,这在脑机接口和假肢控制方面有广泛的应用。
Nov, 2016
提出了一种新的主动学习方法,旨在优化主动学习系统和用户之间看似矛盾的目标,以达到在教育应用中快速学习预测一种练习是否适合特定用户,同时只向用户提供符合他们技能的练习,并通过实际用户数据表明,该方法更好地满足了用户的双重目标。
May, 2020
设计了一种用于成本敏感分类的通用非参数主动学习算法,通过构建每个标签的预测成本函数的置信区间,该算法选择最具信息量的向量点,通过仅查询可能是最小的预测成本来与其交互,证明了该算法在与向量空间的交互数量方面达到了最优收敛速率,并且在对 Tsybakov 的噪声假设的一般版本中,通过边界决策的概率质量明确表征了相对于相应被动学习方法的收益,并且通过提供匹配的(仅差对数因子的)下界证明了获得上界的接近最优性。
Sep, 2023
本文介绍了一种基于在线贝叶斯主动 - 侵略性(Bayesian Passive-Aggressive,简称 BayesPA)学习的算法,在线 PA 学习有效地执行最大边缘在线学习,通过引入隐变量和非参数贝叶斯推理,提供了探索性分析的巨大灵活性。我们将 BayesPA 应用于主题建模,并为最大边缘主题模型导出高效的在线学习算法。我们还开发了非参数方法来解决主题数量问题。实验结果表明,我们的方法显著提高了时间效率,同时保持了与批量对应方法相当的结果。
Dec, 2013
本文介绍了有监督学习中获取标记数据的高成本和获取大量未标记数据的轻松方法,以及通过自适应选择标记样本来获得高精度预测模型的主要问题设置和最近的研究趋势。重点介绍了选择从数据中进行标记的学习获取函数的研究、关于主动学习算法的理论工作和顺序数据获取的停止标准。介绍了材料开发和测量的应用示例。
Dec, 2020
协作学习中,网络代理以自己拥有的分类器通过交流或观察其他代理的预测进行动态更新,研究了在此情景中如何优化预测以提高整个网络的准确性,并提出了多项式时间算法和近似算法来实现优化的目标。
May, 2024